富士通と理化学研究所、独自の生成AIでタンパク質の構造変化を予測する創薬技術を開発

タンパク質は非常に柔軟で、さまざまな形態を取り得ることで、生体内の他の分子と相互作用している。

例えば、ヒトに感染するウイルスが体内に侵入するには、ウイルス表面のタンパク質の形態が変化して細胞表面のタンパク質と結合するため、感染を抑制する薬を効率的に設計するには、ウイルス表面におけるタンパク質の多様な変化の形態を知ることが重要となる。

しかし、タンパク質はそれぞれの原子が3次元の座標を持ち、原子数×3の次元を持つ高次元データとなる。このような高次元空間で、標的タンパク質の広範囲な構造変化の情報を得るには、高度な専門知識と試行錯誤が必要であり、長い期間と多くの費用が必要であった。

この課題解決に向けて、富士通株式会社と国立研究開発法人理化学研究所（以下、理研）計算科学研究センター（R-CCS）HPC/AI駆動型医薬プラットフォーム部門は、独自の生成AI技術とスーパーコンピュータ「富岳」で処理した大規模な画像データを活用することで、「生成AI技術」と「構造変化を予測する技術」の、二つの新たな技術を開発した。

これは、生成AIを活用し、大量の電子顕微鏡画像からタンパク質の構造変化を広範囲に予測できるAI創薬技術だ。標的タンパク質の大量の電子顕微鏡の画像から、その立体構造の多様な形態と、それらが取り得る割合を正確に推定する生成AI技術および、推定された割合から、標的タンパク質の構造変化を予測する技術を開発した。

通常、タンパク質の広範囲な構造変化を予測するためには、最初に構造の割合を推定し、次に、構造の時間変化を正確に推定するという2つのステップの推定を実現する必要がある。

そこで、富士通独自の生成AI技術「DeepTwin（ディープツイン）」と、理研の創薬分子シミュレーションの知見を応用して開発した二つの技術を活用して、標的タンパク質の構造変化の予測を、従来の1日から2時間に短縮することが可能となった。（※タンパク質合成にかかわるタンパク質であるリボソームデータを今回の技術に適用した場合の効果。）

具体的には、さまざまな方位からの多様な形態が映し出された大量の電子顕微鏡像を生成AIの学習に用いることで、3D密度マップそのもののデータがなくても、タンパク質の構造変化分析が可能な低次元の潜在分布を獲得する生成AIを開発した。

この生成AIモデルでは、歪み理論にもとづき数学的に証明したところ、撮影画像数が十分であれば、下図②と同一の分布（下図①）を低次元空間内で平易な数式として得ることができる。

つまり、この技術に大量の電子顕微鏡画像を適用すれば、従来は得ることが困難であったタンパク質の各形態の割合を間接的に高精度に推定することができる。

また、標的タンパク質のある瞬間をとらえた大量の投影画像と投影角から、投影対象を組み立てる計算をして、立体構造の多様な形態を3D密度マップとして復元すると同時に、復元された立体構造の各形態への変化の頻度を手掛かりに、標的タンパク質が取り得る形態の割合を、実験データに基づく形で見積もることを可能にした。

さらに、低次元化された特徴量を用いて、化学分野で使われる反応経路の分析を適用可能にする技術を開発。低次元での分析結果を、独自の生成AIにより元の高次元データに復元することで、標的タンパク質の構造変化の予測を実現した。